[论文解读] Multisided Fairness for Recommendation

Robin Burke|arXiv (Cornell University)|Jul 1, 2017

Recommender Systems and Techniques参考文献 12被引用 90

一句话总结

本文通过在消费者、提供者和平台之间引入多边公平性并概述公平感知推荐的分类与体系结构，扩展了推荐系统中的公平性。

ABSTRACT

Recent work on machine learning has begun to consider issues of fairness. In this paper, we extend the concept of fairness to recommendation. In particular, we show that in some recommendation contexts, fairness may be a multisided concept, in which fair outcomes for multiple individuals need to be considered. Based on these considerations, we present a taxonomy of classes of fairness-aware recommender systems and suggest possible fairness-aware recommendation architectures.

研究动机与目标

• 在个性化推荐的语境中激发对机器学习公平性的关注。
• 强调推荐平台通常涉及多方利益相关者以及潜在的公平性冲突。
• 提出基于受影响的利益相关方群体的公平感知推荐系统分类法。
• 讨论实现对消费者、提供者和平台的公平性的架构与策略。

提出的方法

• 定义多边公平性，并基于对利益相关方的影响将系统分为C-公平、P-公平和CP-公平。
• 描述示例领域（如就业、放贷、市场等）以说明平台两端的公平关切。
• 讨论实现公平的设计考量，包括潜在的个性化降低和对领域特定效用的需求。
• 提出与相关公平与多样性方法的类比（如多样性感知推荐、在线竞价）以实现公平结果。

实验结果

研究问题

• RQ1 当推荐系统服务于多方利益相关者（消费者、提供者、平台）时，会出现哪些公平性考量？
• RQ2 如何基于受保护或优先考虑的侧（C-公平、P-公平、CP-公平）来对公平感知推荐系统进行分类？
• RQ3 在不影响整体系统效用的前提下，哪些架构或机制可以确保各方的公平结果？
• RQ4 在哪些领域中多边公平原则起着关键作用，如何在实践中实施？

主要发现

• 推荐中的公平性可以是多边的，影响消费者、提供者和平台。
• 识别出三类多边公平：C-公平（消费者）、P-公平（提供者）和CP-公平（双方）。
• P-公平的考虑包括确保在提供者之间的公平分配或多样性，可能通过动态或基于竞价的机制实现。
• CP-公平包括需要在双方都考虑公平的情景，例如互惠推荐。
• 本文强调领域特异性以及个性化与监管或伦理结果之间的权衡。
• 讨论将推荐中的公平性概念与多样性、竞价和公平表示等相关工作联系起来。